Learning constitutive models and rheology from partial flow measurements

Diese Arbeit stellt ein end-zu-end-Framework vor, das durch die Kombination eines differenzierbaren nicht-newtonschen Löser mit einem tensorbasierten neuronalen Netzwerk und symbolischer Regression eine geometrieunabhängige, interpretierbare Bestimmung von Stoffgesetzen komplexer Fluide direkt aus partiellen Strömungsmessungen ermöglicht.

Das Wesentliche

Flüssigkeiten verstehen: Wie ein digitaler Rheometer neue Wege bahnt

Stellen Sie sich vor, Sie versuchen, das Verhalten von Honig, Shampoo oder sogar Blut zu verstehen. Diese Flüssigkeiten sind nicht so einfach wie Wasser. Wenn Sie sie rühren oder dehnen, verhalten sie sich manchmal seltsam: Sie werden dünner, dicker oder erinnern sich an ihre Vergangenheit. In der Wissenschaft nennen wir diese „komplexen Flüssigkeiten". Um sie in der Industrie (z. B. bei der Ölförderung) oder in der Medizin (z. B. bei der Medikamentenverabreichung) richtig einzusetzen, müssen wir eine mathematische „Rezeptur" finden, die beschreibt, wie sie sich unter Druck verhalten.

Das Problem bisher war: Um diese Rezeptur zu finden, mussten Wissenschaftler die Flüssigkeit aus ihrem natürlichen Umfeld herausreißen und in Laborgeräten (Rheometern) in einfachen, geraden Röhren testen. Das ist wie der Versuch, das Verhalten eines Fußballspielers zu verstehen, indem man ihn nur auf einem leeren, geraden Feld laufen lässt, aber nie in einem echten Spiel mit Hindernissen, anderen Spielern und unvorhersehbaren Situationen beobachtet. Die Ergebnisse im Labor passen oft nicht auf die reale Welt.

Die neue Lösung: Ein digitaler Zwilling

Die Autoren dieses Papers haben eine brillante Methode entwickelt, die wir als „Digitalen Rheometer" bezeichnen könnten. Statt die Flüssigkeit aus ihrem natürlichen Umfeld zu holen, schauen sie sich an, wie sie sich tatsächlich in komplexen Umgebungen verhält – etwa wie sie durch enge Gänge fließt oder durch ein poröses Material sickert.

Hier ist die Idee, vereinfacht erklärt:

1. Der flüssige Schauspieler (TBNN):
   Stellen Sie sich vor, Sie haben einen sehr klugen, aber noch etwas ungeschulten Schauspieler (eine künstliche Intelligenz, genannt „Tensor Basis Neural Network" oder TBNN). Dieser Schauspieler spielt die Rolle der Flüssigkeit. Ihm wird gezeigt, wie sich eine echte Flüssigkeit in einer komplexen Landschaft (z. B. um ein Hindernis herum) bewegt.
   Der Schauspieler lernt nicht auswendig, wo die Flüssigkeit war, sondern warum sie sich so bewegt hat. Er lernt die innere Logik der Flüssigkeit: „Wenn ich hier stark gedehnt werde, werde ich dünner."
   Das Besondere: Da er die innere Logik lernt und nicht nur die Form der Landschaft, kann er diese Logik später auch in einer völlig anderen Landschaft anwenden (z. B. in einem neuen Rohr oder einem anderen Filter), ohne dass man ihn neu trainieren muss. Er ist „ortsunabhängig".

2. Der Rückwärts-Modus (Differentiable Simulation):
   Normalerweise ist es wie ein Rätsel: Man sieht das Ergebnis (die Strömung) und muss raten, welche Regel dahintersteckt. Das ist schwer.
   Die Autoren haben jedoch einen Trick: Sie haben ihre Computersimulation so programmiert, dass sie „rückwärts denken" kann. Wenn das Ergebnis der Simulation nicht mit der Realität übereinstimmt, weiß das System sofort genau, welche Regel es ändern muss, um es besser zu machen. Es ist, als würde ein Koch, der einen Kuchen backt, sofort wissen: „Ah, ich habe zu viel Mehl genommen", ohne den ganzen Kuchen neu backen zu müssen. Das System lernt die perfekte Regel aus den Daten.

3. Die Übersetzung in eine einfache Sprache (Symbolische Regression):
   Der KI-Schauspieler ist zwar klug, aber seine „Gedanken" sind für Menschen schwer zu lesen (eine riesige Menge an Zahlen). Die Wissenschaftler wollen aber eine klare, verständliche Formel, wie sie in Schulbüchern steht.
   Deshalb nehmen sie die gelernten Regeln des KI-Schauspielers und füttern sie mit verschiedenen klassischen mathematischen Modellen (wie dem „Carreau-Yasuda"-Modell). Sie fragen: „Welche dieser klassischen Formeln passt am besten zu dem, was die KI gelernt hat?"
   Ein cleverer Algorithmus (Bayes'sches Kriterium) wählt dann die einfachste Formel aus, die trotzdem alles perfekt erklärt. So erhalten sie am Ende eine klare, verständliche Gleichung mit ein paar messbaren Parametern, die genau beschreibt, wie die Flüssigkeit funktioniert.

Warum ist das so revolutionär?

• Kein Labor mehr nötig: Man kann die Flüssigkeit direkt dort testen, wo sie arbeitet (z. B. im Ölreservoir oder im Blutgefäß), ohne sie zu stören.
• Robustheit: Selbst wenn die Messdaten verrauscht oder ungenau sind (wie bei einer schlechten Kamera), findet das System trotzdem die wahre Regel, weil es die physikalischen Gesetze (wie Energieerhaltung) als feste Regeln einbaut.
• Vorhersagekraft: Da die KI die Grundregeln lernt und nicht nur eine spezifische Situation, kann sie vorhersagen, wie die Flüssigkeit in Situationen reagiert, die noch nie gesehen wurden.

Zusammenfassung

Stellen Sie sich vor, Sie wollen das Verhalten eines Menschen verstehen. Früher haben Sie ihn nur in einer leeren Zelle beobachtet. Jetzt haben Sie eine Methode entwickelt, bei der Sie ihn in einem echten, chaotischen Spiel beobachten, eine KI ihn dabei analysieren lassen und diese KI dann eine einfache, verständliche Biografie über ihn schreibt, die Sie überall anwenden können.

Dieser Ansatz verbindet die Flexibilität von moderner KI mit der Strenge der klassischen Physik. Er ermöglicht es Ingenieuren und Wissenschaftlern, komplexe Flüssigkeiten direkt in ihrem Einsatzgebiet zu verstehen und vorherzusagen – ein großer Schritt hin zu einer automatisierten, „digitalen Rheometrie".

Technische Zusammenfassung

Titel: Lernen von konstitutiven Modellen und Rheologie aus teilweisen Strömungsmessungen

Autoren: Alp M. Sunol, James V. Roggeveen, Mohammed G. Alhashim, Henry S. Bae, Michael P. Brenner (Harvard University & Saudi Aramco)

---

1. Problemstellung

Die Vorhersage des Fließverhaltens komplexer Fluide (z. B. biologische Flüssigkeiten, Polymerlösungen) in realen, komplexen Umgebungen erfordert genaue mathematische Beschreibungen des Materialverhaltens, sogenannter konstitutiver Gesetze. Diese Gesetze verknüpfen die lokale Deformationsrate mit dem inneren Spannungszustand.

Herausforderungen bei der herkömmlichen Charakterisierung sind:

• Idealisierung: Herkömmliche Rheometer messen das Verhalten in stark vereinfachten, oft eindimensionalen Strömungen (z. B. Scherung). Diese Daten erfassen oft nicht die Physik, die für komplexe Geometrien (z. B. Verengungen, Erweiterungen) relevant ist.
• Mehrdeutigkeit: Verschiedene konstitutive Modelle können unter Standardtestbedingungen fast identische Antworten liefern, divergieren aber dramatisch bei komplexeren Kinematiken.
• Überanpassung und mangelnde Generalisierung: Bestehende datengetriebene Methoden neigen dazu, sich an spärliche, gemittelte Daten anzupassen (Overfitting), fehlen der Portabilität über verschiedene Geometrien hinweg oder setzen die Form des konstitutiven Modells bereits voraus.
• Informationslücke: Die Umkehrung von Strömungsdaten auf Materialeigenschaften (inverse Probleme) ist rechenintensiv und oft geometriespezifisch.

2. Methodik

Die Autoren stellen einen End-to-End-Framework vor, der automatische Differentiation (Automatic Differentiation) mit physikalischen Simulationen kombiniert, um konstitutive Beziehungen direkt aus lokalen Strömungsdaten zu lernen. Der Ansatz besteht aus zwei Hauptkomponenten:

A. Differentieller Nicht-Newtonscher Solver mit TBNN

• Differentieller Solver: Es wurde ein vollständig differentierbarer Strömungslöser (basierend auf JAX und Immersed-Boundary-Methoden) entwickelt. Dieser ermöglicht die Berechnung exakter Gradienten beliebiger Strömungsgrößen (z. B. Geschwindigkeitsfelder) in Bezug auf Modellparameter oder Netzwerkgewichte.
• Tensor Basis Neural Network (TBNN): Anstelle eines "Black-Box"-Neuralen Netzes wird ein TBNN in den Solver eingebettet.
  • Das TBNN bildet skalare Invarianten des Strömungsfeldes (z. B. $tr(D^2)$, $tr(W^2)$) auf den Spannungstensor ab.
  • Es erzwingt Frame-Invarianz (Unabhängigkeit vom Koordinatensystem) durch die Verwendung tensorieller Basen.
  • Es lernt eine geometrie-unabhängige Materialrepräsentation, die direkt aus den lokalen Kinematiken (Deformationsraten) den Spannungsantwort ableitet.
• Training: Das Netzwerk wird trainiert, indem das gemessene oder simulierte Geschwindigkeitsfeld mit dem vom Solver vorhergesagten Feld verglichen wird. Die Gradienten werden genutzt, um die Gewichte des TBNN so zu optimieren, dass die Differenz minimiert wird.

B. Differentielles Modell-Fitting und Bayessche Modellauswahl

Um die interpretierbaren physikalischen Parameter zu extrahieren, wird das gelernte TBNN als "Digitaler Rheometer" genutzt:

• Digitale Rheometrie: Das trainierte TBNN wird unter kontrollierten, vorgeschriebenen Deformationshistorien (z. B. sinusförmige Scherraten) getestet, um Spannungsantworten zu generieren.
• Modell-Fitting: Eine Bibliothek klassischer konstitutiver Modelle (z. B. Carreau-Yasuda, Giesekus, Oldroyd-B, Linear PTT) wird auf diese generierten Daten angewendet.
• Bayessche Informationskriterium (BIC): Die Autoren nutzen den BIC, um automatisch das beste Modell auszuwählen. Der BIC bestraft Modellkomplexität und findet den optimalen Kompromiss zwischen Anpassungsgüte und Einfachheit. Dies ermöglicht die Identifizierung der physikalischen Parameter (z. B. Viskositäten, Relaxationszeiten) ohne vorherige Annahme der Modellform.

3. Wichtige Beiträge

1. End-to-End-Lernen aus Strömungsdaten: Erstmals wird gezeigt, wie konstitutive Gesetze direkt aus komplexen, lokalen Strömungsfeldern (nicht nur aus gemittelten Rheometerdaten) gelernt werden können, ohne dass die Modellform im Voraus bekannt sein muss.
2. Geometrie-Transferfähigkeit: Da das TBNN lokale, frame-invariante Abbildungen lernt, kann das trainierte Modell auf völlig neue, im Training nicht gesehene Geometrien übertragen werden und dort präzise Strömungen vorhersagen.
3. Automatisierte Modellauswahl und Interpretierbarkeit: Der Framework verbindet datengetriebene Flexibilität mit physikalischer Interpretierbarkeit. Er kann nicht nur das beste klassische Modell identifizieren, sondern auch dessen Parameter präzise schätzen.
4. Robustheit gegenüber Rauschen und niedriger Auflösung: Das System ist robust gegenüber verrauschten und grob aufgelösten Daten (typisch für experimentelle PIV-Messungen), da die physikalischen Erhaltungsgleichungen als harte Regularisierung wirken.

4. Ergebnisse

• Lernen des konstitutiven Verhaltens: Das TBNN konnte erfolgreich die konstitutive Abbildung eines Carreau-Yasuda-Fluids aus einem komplexen Strömungsfeld (Druckgetriebene Strömung durch eine Verengung mit Hindernis) rekonstruieren. Die vorhergesagten Geschwindigkeitsfelder wiesen eine fast perfekte Übereinstimmung mit dem Ground-Truth auf.
• Generalisierung: Das trainierte Modell sagte Strömungen in einer neuen Geometrie (bidisperses poröses Medium) und bei anderen Druckgradienten erfolgreich voraus, mit einem sehr geringen relativen Fehler über einen weiten Bereich von Deformationsraten.
• Parameter-Extraktion: Durch das "digitale Rheometrie"-Verfahren konnten die Parameter des Carreau-Yasuda-Modells (Scherverdünnungsindex $n$, Übergangszeit $k$, etc.) aus dem TBNN mit hoher Genauigkeit (oft < 1% Abweichung) zurückgewonnen werden.
• Modellselektion: Bei der Anwendung auf synthetische Rauschdaten verschiedener Fluidmodelle (Newton, Giesekus, PTT, etc.) konnte das Framework das korrekte Ground-Truth-Modell in fast allen Fällen identifizieren. Das BIC wählte korrekt einfachere Modelle, wenn die Daten nicht ausreichten, um komplexere Modelle zu rechtfertigen.
• Robustheit: Tests zeigten, dass die Genauigkeit auch bei einer zehnfachen Verringerung der räumlichen Auflösung und bei Rauschpegeln von bis zu 4% der Strömungsgeschwindigkeit erhalten bleibt.

5. Bedeutung und Ausblick

Diese Arbeit legt den Grundstein für eine "Digitale Rheometrie" (Digital Rheometry). Sie ermöglicht die umfassende Charakterisierung komplexer Fluide direkt in ihrer Betriebsumgebung (z. B. in Mikrofluidik-Chips oder industriellen Prozessen), ohne Proben entnehmen oder Laborrheometer verwenden zu müssen.

• Paradigmenwechsel: Der Ansatz verschiebt die Rheologie von der manuellen Anpassung vordefinierter Modelle an vereinfachte Daten hin zu einer automatisierten, datengesteuerten Entdeckung von Materialgesetzen aus realen Strömungsdaten.
• Anwendbarkeit: Die Methode ist breit anwendbar in der Ingenieurwissenschaft und den physikalischen Wissenschaften, insbesondere für Fluide, die in komplexen Geometrien fließen, wo traditionelle Methoden versagen.
• Zukunft: Die Autoren sehen Potenzial darin, durch optimierte Versuchsdesigns (basierend auf den Gradienten des Solvers) noch informativere Messprotokolle zu entwickeln und die Methode auf viskoelastische Gedächtniseffekte und Mehrphasenströmungen auszudehnen.

Zusammenfassend bietet dieser Framework eine Brücke zwischen datengetriebener Flexibilität und physikalisch interpretierbarer Rheologie, was die Vorhersage und das Design von Systemen mit komplexen Fluiden revolutionieren könnte.